夏季那波“DeepSeek时刻”过后，Moonshot AI 打出的第一拳是旗舰模型的首次重大升级。按时间线推算，升级的正是 Kimi K3.1 Pro。Artificial Analysis 的 Intelligence Index 给它55分，全球第四。
排在前面的三位都带着“max”：Opus 5.5、Sonnet 5.5 和 Muse Wonder Full。K3.1 Pro 比上一代 Kimi K3（max）高出整整11分，智能体任务涨得最明显。还有个悬念在权重上：Moonshot 要是真把权重放出来，K3.1 Pro 大概率就是眼下最强的开放权重模型。这家公司估值500亿美元，它正在做的事，是把闭源前沿和开源阵营之间那条线继续往中间拽。
模型在榜单上往上挤，研究者在另一头抠效率。Policy-Mask 的思路很直白：从一个冻结的扩散模型里，联合挑出适合判别任务的时间步、网络模块和通道。整套策略以给定的通道预算为条件，跟着下游任务目标一起训练。通道贡献要先做归一化，联合训练才稳得住。
同预算对比，分割、分类、语义对应三项都压过固定特征提取和特征筛选的基线：ADE20K 上38.9 mIoU，128维设置下 CIFAR-100 top-1 准确率75.4%。这套方法还被搬到了 PixArt-Σ 和 SD3.5 MMDiT 这些扩散 Transformer 上。
一件事往上冲分数，一件事从冻结模型里榨出更多判别力。路子不同，算的是同一笔账：预算有限，怎么多拿一点。Kimi 拿算力和数据换排名，Policy-Mask 拿通道预算换性能，骨干网络不重训。